王燕贞

（漳州职业技术学院 电子信息学院，福建 漳州 363000)

卷积神经网络在计算机视觉任务中一直扮演着重要角色。由于计算能力爆发式的提升，使得很多复杂的网络模型，如AlexNet[1]、VGG-Net[2]得以运用于实际场景。UNet[3]由于所需训练样本量少而备受学者们青睐，将其作为卷积神经网络应用于医学图像处理的一种主流方法。近年来，基于UNet的改进算法层出不穷，UNet++[4]采用密集卷积块连接代替UNet中编码器和解码器之间的跳跃连接，从而解决了跳跃连接中语义差距而导致的分割性能下降问题。但UNet++仍缺乏全尺度连接，这使得模型在学习感兴趣区域的位置和边界过程中略显不足。UNet3+[5]的全尺度设计，每层解码器均包含低层编码器特征和高层解码器特征，以获取细粒度细节和粗粒度语义。文献[6]针对气胸分割，以UNet为基础架构进行改进，并应用于实际医用场景。该模型采用EfficientNet[7]中的编码模块MBConvBlock，解码器则是由3*3卷积块和注意力机制模块构成，同时提出一种改进的混合损失函数，以常用的Dice损失函数结合Focal[8]损失函数，提升微小气胸的分割精度。医学图像包含多种脏器，且病灶类型多样，这些感兴趣区域通常具有不同规模和形态，因此多尺度的应用增强了模型的健壮性。文献[9]深入研究医学图像中病变组织大小变化，提出多尺度思想，并行使用大小不同的卷积滤波器，改变编码器与解码器之间的连接方式，用改进残差连接代替跳跃连接。实验证明，多尺度的引入在多种成像设备（皮肤镜、内窥镜、荧光显微镜、电子显微镜和核磁共振）上产生的数据集的分割精度与经典UNet相比，有了一定幅度的提高，同时也减少了参数数量。……